An Integrated Hybrid Recommendation and Trust-Aware Review Intelligence Framework for Reliable Service Provider Matching
Dit artikel stelt een geïntegreerd hybride framework voor dat TF-IDF, semantische gelijkenis en collaborative filtering combineert voor de selectie van kandidaat-dienstverleners, met een vertrouwen-bewust beoordelingsintelligentiesysteem met behulp van Multi-Task BiLSTM en Isolation Forest om aspect-specifieke sentimenten en de geloofwaardigheid van beoordelingen te analyseren, waardoor een betrouwbaardere matching van dienstverleners wordt bereikt via een verenigde re-ranking pijplijn.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Het vinden van een bekwame professional om een lekkende pijp te repareren, een plafond te installeren of een auto te maken, is iets wat bijna iedereen doet, en toch laten de digitale marktplaatsen die ontworpen zijn om klanten met deze werkers te verbinden mensen vaak in onzekerheid. Wanneer een gebruiker een verzoek in een zoekvak typt, moet het systeem beslissen welke van de duizenden geregistreerde aanbieders de beste match is. Traditionele systemen vertrouwen op eenvoudige trefwoordovereenkomst, waarbij ze zoeken naar exacte woordoverlappen tussen wat een klant vraagt en wat een aanbieder aanbiedt, of ze leunen zwaar op een enkele numerieke sterrenbeoordeling. Deze methoden schieten echter vaak tekort. Een klant die vraagt om "een druppelende kraan te repareren" en een aanbieder die zichzelf beschrijft als een "loodgieter die lekken repareert", praten over dezelfde behoefte, maar een eenvoudig systeem dat woorden telt, zou de connectie kunnen missen. Bovendien kan één enkel getal de nuance van een service-ervaring niet vangen, die bijvoorbeeld uitstekend kan zijn wat betreft de kwaliteit van het werk, maar slecht wat betreft punctualiteit of communicatie. Nog verontrustender is dat niet alle beoordelingen betrouwbaar zijn; sommige zijn nep, gemanipuleerd of geschreven door mensen met ongebruikelijke gedragspatronen, en het behandelen van elke beoordeling als even geldig kan de ware reputatie van een aanbieder verstoren. Onderzoekers aan het Sri Lanka Institute of Information Technology hebben een nieuw kader ontwikkeld om deze problemen op te lossen door twee verschillende benaderingen te combineren: één die relevante aanbieders vindt en een andere die de betrouwbaarheid van de ontvangen feedback verifieert.
De onderzoekers bouwden een tweestapsysteem dat is ontworpen om eerst een shortlist van waarschijnlijke kandidaten te identificeren en vervolgens de bij hen behorende feedback diepgaand te analyseren om betrouwbaarheid te garanderen. In de eerste fase fungeert het systeem als een brede filter die een database van tienduizend aanbieders scant tegen twintig duizend klantverzoeken in. In plaats van te vertrouwen op slechts één methode, gebruikt het drie verschillende manieren om gelijktijdig relevantie te meten. Het controleert op directe trefwoordovereenkomsten, gebruikt geavanceerde taalmodellen om de betekenis achter verschillende manieren van formuleren van een verzoek te begrijpen, en kije naar historische gegevens om te zien hoe vaak een aanbieder succesvol opdrachten heeft voltooid voor gebruikers die vergelijkbaar zijn met degene die zoekt. Deze drie signalen worden samengesmolten om één enkele score te creëren, waardoor de enorme lijst met aanbieders wordt teruggebracht tot een beheersbare groep van de meest relevante kandidaten. Deze aanpak bleek effectiever dan het gebruik van slechts één methode alleen, waarbij de juiste aanbieders met hoge precisie werden geïdentificeerd.
Zodra het systeem een shortlist van kandidaten heeft, gaat het over naar de tweede fase, die fungeert als een kwaliteitscontrole- en vertrouwensverificatie-eenheid. Hier kijkt het systeem niet alleen naar de gemiddelde sterrenscore; het leest de eigenlijke tekst van vijfentwintigduizend klantbeoordelingen over veertien verschillende servicecategorieën, zoals metselwerk, elektrotechnisch werk en voertuigreparatie. Het breekt elke beoordeling af om specifieke aspecten van de dienstverlening te begrijpen: de kwaliteit van het werk, of de aanbieder punctueel was, hoe goed ze communiceerden en hun niveau van professionaliteit. Met behulp van een geavanceerd neuraal netwerk voorspelt het systeem het sentiment voor elk van deze vier gebieden afzonderlijk, waarbij het erkent dat een aanbieder geprezen kan worden om zijn vaardigheid, maar bekritiseerd kan worden omdat hij te laat was. Tegelijkertijd onderzoekt een aparte module de beoordelingen op tekenen van onbetrouwbaarheid. Het kijkt naar linguïstische patronen en gedragskenmerken, zoals ongebruikelijke woordkeuzes of repetitieve formuleringen, om beoordelingen te markeren die verdacht of afwijkend kunnen zijn. Beoordelingen die geloofwaardig lijken, krijgen meer gewicht, terwijl beoordelingen die als potentieel nep of gemanipuleerd zijn gemarkeerd, worden naar beneden bijgesteld, zodat de uiteindelijke rangschikking de werkelijke klantervaringen weerspiegelt.
De resultaten van deze geïntegreerde aanpak laten zien dat het combineren van relevantie met vertrouwensbewuste intelligentie de service-matching aanzienlijk verbetert. Het sentimentanalysemodel voorspelde succesvol de specifieke gevoelens achter de beoordelingen met een gemiddelde nauwkeurigheid van bijna tachtig negen procent, waarbij het correct identificeerde of een klant tevreden of ontevreden was over kwaliteit, punctualiteit, communicatie of professionaliteit. Het systeem dat nep of onbetrouwbare beoordelingen detecteerde, was zelfs preciezer en behaalde een algemene nauwkeurigheid van zesennegentig procent in het onderscheiden van authentieke feedback en verdachte anomalieën. Door deze inzichten samen te voegen, kan het framework de initiële lijst met kandidaten opnieuw rangschikken, waarbij zij met sterke, geloofwaardige en specifieke lof worden gepromoot en zij met onbetrouwbare of gemengde feedback worden gedegradeerd. De onderzoekers vonden dat dit tweestaps-proces, dat de taak van het vinden van relevante aanbieders scheidt van de taak van het verifiëren van hun reputatie, een betrouwbaardere manier creëert om klanten met professionals te matchen. Hoewel de studie erkent dat de specifieke gewichten die gebruikt werden om deze verschillende signalen te combineren handmatig zijn geselecteerd en dat verdere testen op real-world data nodig zijn, tonen de huidige bevindingen aan dat het behandelen van relevantie en vertrouwen als complementaire, in plaats van afzonderlijke zaken, een duidelijke weg vooruit biedt voor online marktplaatsen voor diensten.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.